Team

Wir verbinden Ihre Erfahrung mit Künstlicher Intelligenz

Wir sind eine Ausgründung vom Lehrstuhl für Künstliche Intelligenz der TU Berlin. Durch Teilnahme an einem Forschungsprojekt zum Thema Qualitätskontrolle in der Produktion mit Partnern aus Wissenschaft und Industrie wurden wir auf das große Potential automatisierter Lösungen aufmerksam und haben uns entschlossen, ein QC-System zur Marktreife zu entwickeln. Dabei setzen wir auf aktuellste Verfahren aus Machine Learning, Computer Vision und Deep Learning.

Team

 

Sebastian Thiel

Strategische Leitung, Geschäftsführung

  • Diplom (Technische Informatik) Technische Universität Berlin (mit Auszeichnung)

  • Computer Vision: Objekterfassung,- erkennung und -verfolgung (Tracking) / Mustererkennung
  • Entwicklung und Implementierung von Verfahren des Maschinellen Lernens auf Bild- und Videodaten (2D und 3D)
  • 5 Jahre Berufserfahrung als Wissenschaftlicher Mitarbeiter im Bereich Forschung & Entwicklung (GfAI Berlin) in Kooperation mit Industrieunternehmen
  • Forschungs- und Lehrtätigkeit als wissenschaftlicher Mitarbeiter and der Technischen Universität Berlin (Methoden der künstlichen Intelligenz Prof. Opper, TU Berlin), Unterstützung der Lehre, Betreuung einer Masterarbeit

          eMail: sebastian.thiel(at)alm.gmbh

Philipp Batz

Leitung Maschinelles Lernen, Geschäftsführung

  • MSc (Statistik) Humboldt Universität Berlin; Diplom (Wirtschaftsinformatik) Universität Siegen

  • Maschinelles Lernen / Statistische Lernverfahren / schnelle approximative Algorithmen zur Analyse großer Datenmengen
  • Entwicklung und Implementierung von Modellen zur Zeitreihenanalyse / Lernen und Kontrollieren mechanischer Systeme (speziell Robotik)
  • Forschungstätigkeit als wissenschaftlicher Mitarbeiter an der Technischen Universität Berlin (Methoden der künstlichen Intelligenz, Prof. Opper) im EU Projekt CompLACS

         eMail: philipp.batz(at)alm.gmbh

Wissenschaftliche Publikationen (Auswahl)

P.Batz, A.Ruttor, S.Thiel, J.Wegener, F.Zautke, C.Schwekendiek, K.Bienefeld (2022)
Semi-automatic detection of honeybee brood hygiene—an example of artificial learning to facilitate ethological studies on social insects,
Biology Methods and Protocols, Volume 7, Issue 1, Oxford University Press OUP

S.Thiel, A.Ruttor, P.Batz (2018)
Beehaviour – Computerunterstützte Erkennung von Verhaltensmustern in Bienenvideos,
65. Jahrestagung der Institute für Bienenforschung e.V., Koblenz

P.Batz, A.Ruttor, M.Opper (2018)
Approximate Bayes learning of stochastic differential equations,
Physical Review E, 98/2, American Physical Society APS

P.Batz, A.Ruttor, M.Opper (2016)
Variational estimation of the drift for stochastic differential equations from the empirical density,
Journal of Statistical Mechanics: Theory and Experiment, 2016/8, Institute of Physics Press IOP

A.Iwainsky, S.Thiel (2016)
A Mixed Reality Environment for Educating Nurses (Best Paper Award),
Future Education and Training in Computing (FETCH), BMBF-Verbundprojekt AKOLEP

A.Ruttor, P.Batz, M.Opper (2013)
Approximate Gaussian process inference for the drift function in stochastic differential equations,
Advances in Neural Information Processing Systems 26 (NIPS), p.2040-2048